Este documento presenta los resultados de análisis estadísticos realizados para evaluar dos tratamientos (A y B) y sus efectos en el peso de pacientes. Se utilizaron las pruebas de Levine y T-student, las cuales mostraron que el tratamiento B es más efectivo que el A en reducir peso. También se usó la prueba T-student de muestras apareadas para comparar el peso de pacientes antes y después de un tratamiento, encontrando una diferencia significativa. Finalmente, un análisis de varianza mostró diferencias significativ

1. Tarea 7
Gloria Martínez Lacovic
Grupo 1 subgrupo 4

2. utilización de levine y t-
student

3. Creamos una tabla:
Estadísticas de grupo
Tipo de TTo. N Media Desviación estándar Media de error
estándar
Peso de los pacientes tto A 573 96,17 7,935 ,331
tto B 543 91,20 7,931 ,340
Comparación tratamiento A y B

4. A simple vista se podría decir que el tratamiento B es más efectivo pero para
saberlo con certeza debemos de realizar algunas pruebas estadísticas.
Se realizará la prueba de Levine (para ver si los resultados son significativos o no) y
la prueba de T-Student (en el caso de que sean significativos nos permite ver si
realmente el tratamiento B es más efectivo o si estas diferencias se deben al azar).
¿Qué pruebas usaremos para analizar ambos tratamientos?

5. Planteamiento de hipótesis:
Para hacer estas pruebas debemos de plantear hipótesis:
-Ante la prueba de Levine:
Ho=no hay diferencia de varianzas.
H1= hay diferencia de varianzas.
-Ante la prueba de T-Student:
H0= las medias son iguales
H1=las medias son distintas (en este caso el resultado no sería fruto de la
casualidad sino de la causalidad).

6. Ante los resultados de las
pruebas podemos
comprobar que en la
prueba de Levines
p>0’005 por lo que se
acepta la Ho (la
diferencia es
significativa) y en la
prueba de T-Student es
<0’005 por lo que se
rechaza la hipótesis nula
(tratamiento B es más
efectivo).
Prueba de muestras independientes
Prueba de
Levene de
igualdad de
varianzas
prueba t para la igualdad de medias
F Sig
.
t gl Sig.
(bilat
eral)
Difere
ncia
de
media
s
Difere
ncia
de
error
estánd
ar
95% de
intervalo de
confianza de la
diferencia
Infer
ior
Supe
rior
Peso de
los
paciente
s
Se
asumen
varianzas
iguales
,00
1
,98
1
10,
44
7
1114 ,000 4,963 ,475 4,03
1
5,89
5
No se
asumen
varianzas
iguales
10,
44
7
1110
,838
,000 4,963 ,475 4,03
1
5,89
5

7. T-student para datos
apareados:

8. T-student se puede utilizar para comparar una misma muestra antes y
después de un tratamiento y ver si la diferencia que encontramos en ella es
por el azar o no.
Estadísticas de muestras emparejadas
Media N Desviación
estándar
Media de error
estándar
Par
1
Pesos de los pacientes antes
del TTo
95,50 6 8,735 3,566
Pesos de los pacientes
despues del TTo
87,67 6 10,558 4,310

9. podemos observar las correlaciones:
Tenemos el mismo grupo, es decir, el mismo número de personas (6 personas,
nadie ha muerto ni ha dejado el tratamiento).
Correlaciones de muestras emparejadas
N Correlación Sig.
Par 1 Pesos de los pacientes antes del TTo &
Pesos de los pacientes despues del TTo
6 ,874 ,023

10. planteamos hipótesis:
Ho=no hay diferencia para los tto. antes y después
H1= hay diferencia entre el tto. antes y después.
Prueba de muestras emparejadas
Diferencias emparejadas t gl Sig.
(bilateral
)Med
ia
Desviaci
ón
estándar
Media
de error
estándar
95% de intervalo de
confianza de la
diferencia
Inferior Superior
P
a
r
1
Pesos de los
pacientes antes
del TTo - Pesos
de los pacientes
después del TTo
7,83
3
5,154 2,104 2,424 13,242 3,72
3
5 ,014
Se puede rechazar la
hipótesis nula (<0’005)
por lo que el tto. tiene
efecto.
Tenemos que tener en
cuenta que
estaríamos
cometiendo un error
de tipo 1 de 0’014
(error muy pequeño).

11. utilización de anova

12. Anova puede
comparar las
diferencias entre
los grupos.
Descriptivos
Peso de los pacientes total
N Media Desviación
estándar
Error
estándar
95% del intervalo de
confianza para la media
Mínim
o
Máxim
o
Límite
inferior
Límite
superior
tto
A
573 96,17 7,935 ,331 95,51 96,82 83 108
tto
B
543 91,20 7,931 ,340 90,53 91,87 78 103
tto
C
525 88,01 6,687 ,292 87,43 88,58 78 98
Tot
al
1641 91,91 8,271 ,204 91,51 92,31 78 108

13. formulación de hipótesis:
Ho=no hay diferencia
entre los tratamientos.
H1=hay diferencia entre
tratamientos. A favor
de tratamiento C y
posteriormente a favor
de B.
Se rechaza la Ho y se
acepta la H1 (<0’05).
ANOVA
Peso de los pacientes total
Suma de
cuadrados
gl Media cuadrática F Sig.
Entre grupos 18652,590 2 9326,295 163,325 ,000
Dentro de grupos 93533,949 1638 57,103
Total 112186,539 1640

14. Los resultados de los
tres tratamientos se
hacen más visibles si
son representados en
una gráfica:

15. correlaciones

16. Planteamiento de hipótesis:
-Ho=aumento/disminución de
colesterol y triglicéridos no están
relacionados
-H1=aumento/disminución de
colesterol y trigliceridos están
relacionados.
Aceptamos la Ho (>0’05) por lo
que afirmamos que estas
variables no están relacionadas.
Correlaciones
Colesterol total Trigliceridemia
Colesterol total Correlación de Pearson 1 ,244
Sig. (bilateral) ,056
N 106 62
Trigliceridemia Correlación de Pearson ,244 1
Sig. (bilateral) ,056
N 62 62
En las correlaciones los resultados se pueden interpretar como: relación positiva
(directamente proporcional), relación negativa (inversamente proporcional) o
relación inexistente.

17. Realizamos la prueba para el colesterol HDL, LDL y
la trigliceridemia. Se acepta Ho (no hay relación)
Correlaciones
Trigliceridem
ia
Colesterol
HDL
Colesterol
LDL
Trigliceridemi
a
Correlación de
Pearson
1 -,296 ,279
Sig. (bilateral) ,112 ,135
N 62 30 30
Colesterol
HDL
Correlación de
Pearson
-,296 1 -,130
Sig. (bilateral) ,112 ,492
N 30 30 30
Colesterol
LDL
Correlación de
Pearson
,279 -,130 1
Sig. (bilateral) ,135 ,492
N 30 30 30

18. En algunos casos será complicado encontrar correlaciones entre variables de un
estudio por lo que puede ser de utilidad la modalidad de SPSS que está disponible en
la barra superior titulado “generador de gráficas” allí podrás insertar variables y ver
su correlación en una gráfica de dispersión donde se muestre claramente dicha
relación.
Correlaciones spss en gráficas de dispersión: